智能决策支持系统

一、智能决策支持系统的概念和特点

1. 智能决策支持系统的概念

智能决策支持系统 (Intelligence Decision Supporting System，IDSS) 是人工智能 (AI， Artificial Intelligence) 和DSS相结合，应用专家系统 (ES，Expert System) 技术，使DSS能够更充分地应用人类的知识，如关于决策问题的描述性知识，决策过程中的过程性知识，求解问题的推理性知识，通过逻辑推理来帮助解决复杂的决策问题的辅助决策系统。

IDSS的概念最早由美国学者波恩切克 (R.H.Bonczek) 等人于20世纪80年代提出，它的功能是，既能处理定量问题，又能处理定性问题。IDSS的核心思想是将AI与其他相关科学成果相结合，使DSS具有人工智能。

2.IDSS的特点

IDSS的特点主要包括以下几个方面。

(1) 面向决策者。

IDSS的输入输出，起源和归宿都是决策者，因此在分析和设计IDSS时，考虑主管人员在这种系统中的主导作用，决策者的偏好、技能、知识不同、决策过程不同，对决策支持系统的要求也不同。它具有集成性、开放性、扩展性、技术先进性，能很好地解决商业智能及决策支持等功能的需要。

(2) 主要解决半结构化和非结构化的决策问题。

一般来讲，企业管理中的决策基本上可以分为结构化决策和非结构化决策。结构化决策涉及的变量较少，通过计算机语言来编制相应的程序，就可以在计算机上面处理这些信息，结构化决策完全可以用计算机来代替。在非结构化决策中，可能提供出很多正确的解决方案，但是没有精确的计算公式能够计算出哪个解决方案最优，也没有规则和标准能够衡量哪种方案是最佳解决方案。半结构化和非结构化的决策问题，既要利用自动化数据处理，又要靠决策者的直观判断，因此，对人的技能要求不同于传统的数据处理系统。

(3) 模型与用户共同驱动。

决策过程和决策模型是动态的，是根据决策的不同层次、周围环境、企业内部条件，用户要求以及现阶段人们对于决策问题的理解和已获得的知识等动态确定的，系统除存储与活动有关的各种数据外，还存储与决策有关的各种专门知识和经验的知识库，各种数学模型和经济管理模型与方法，也以一定的组织形式存储于模型库中，以备灵活调用。由数据库，模型库，方法库，知识库组成的知识系统是IDSS的基础。通过大量，反复，经常性的人机对话方式将计算机无法处理的因素 (如人的偏好、主观判断力、经验、价值观念等) 输入计算机，从不同的角度考察发现的知识，并以不同形式表示，用高层次语言和图形界面表示数据采掘要求和结果，以此规定和影响着决策的过程。

(4) 强调支持作用和推理规则。

IDSS是将数据模型、算法和推理方法结合起来的问题处理系统，并不取代决策者本人的工作，它只是根据系统积累的数据、知识和经验，利用管理模型、方法和推理规则，协助决策者处理决策过程中的问题，并且可以对决策者提出的问题迅速做出反应，提供有关的背景材料，供决策者分析、比较各种方案。IDSS是靠人最后做出有效的决定，人是决策的主体，系统力求为决策者扩展做出决策的能力，而不是取而代之。

二、IDSS的结构

较完整与典型的IDSS结构是在传统三库DSS的基础上增设知识库与推理机，在人机对话子系统加入自然语言处理系统 (LS)，与四库之间插入问题处理系统 (PSS) 而构成的四库系统结构。IDSS的结构如图6－4所示。

图6－4 IDSS的结构

具体来说，IDSS由以下三部分构成。

1. 智能人机接口

四库系统的智能人机接口接受用自然语言或接近自然语言的方式表达的决策问题及决策目标，较大程度地改变了人机界面的性能。

2. 问题处理系统

问题处理系统处于DSS的中心位置，是联系人与机器及所存储的求解资源的桥梁，主要由问题分析器与问题求解器两部分组成。

(1) 自然语言处理系统。

转换产生的问题描述由问题分析器判断问题的结构化程度，对结构化问题选择或构造模型，采用传统的模型计算求解; 对半结构化或非结构化问题则由规则模型与推理机制来求解。

(2) 问题处理系统。

问题处理系统是IDSS中最活跃的部件，它既要识别与分析问题，设计求解方案，还要为问题求解调用四库中的数据、模型、方法及知识等资源，对半结构化或非结构化问题还要触发推理机作推理或新知识的推求。

3. 知识库子系统和推理机

知识库子系统的组成可分为三部分: 知识库管理系统、知识库及推理机。

(1) 知识库管理系统。

知识库管理系统功能主要有两个: 一是回答对知识库知识增、删、改等知识维护的请求; 二是回答决策过程中间题分析与判断所需知识的请求。

(2) 知识库。

知识库是知识库子系统的核心。

知识库中存储的是那些既不能用数据表示，也不能用模型方法描述的专家知识和经验，也即是决策专家的决策知识和经验知识，同时也包括一些特定问题领域的专门知识。

知识库中的知识表示是为描述世界所做的一组约定，是知识的符号化过程。对于同一知识，可有不同的知识表示形式，知识的表示形式直接影响推理方式，并在很大程度上决定着一个系统的能力和通用性，是知识库系统研究的一个重要课题。

知识库包含事实库和规则库两部分。例如，事实库中存放了“任务A是紧急订货”、“任务B是出口任务”那样的事实。规则库中存放着“IF任务i是紧急订货，AND任务i是出口任务，THEN任务i按最优先安排计划”、“IF任务i是紧急订货，THEN任务i按优先安排计划”那样的规则。

(3) 推理机。

推理是指从已知事实推出新事实 (结论) 的过程。推理机是一组程序，它针对用户问题去处理知识库 (规则和事实)。

推理原理如下: 若事实M为真，且有一规则“IFMTHENN”存在，则N为真。因此，如果事实“任务A是紧急订货”为真，且有一规则“IF任务i是紧急订货THEN任务i按优先安排计划”存在，则任务A就应优先安排计划。

三、IDSS的关键技术

IDSS主要是以知识和模型为主体，结合大量数据，形成定性和定量相结合的辅助决策信息。IDSS由于开发的困难，发展较慢，但已经形成了研究热潮，取得了不少成果，为各级决策者进行科学决策提供了强有力的手段。

企业智能决策支持系统是个复杂系统，在信息系统和决策支持系统的发展过程中，关于两者的关系主要有两种观点，一种认为决策支持系统是信息系统之上的更高层次的系统，另一种认为决策支持系统包含信息系统，是管理信息系统发展的新阶段。无论是哪种观点，实际上都强调了覆盖全企业的信息对决策的重要作用。企业智能决策支持系统的目标就是采用决策支持系统的结构和方法作为概念框架进行信息的分析和管理。企业智能决策支持系统不仅具有一般决策支持系统的所有特征，而且有不同于传统决策支持系统的特点。由于应用范围和决策方法的不同，企业智能决策支持系统需要集成现有的决策方法和数据，更有效地支持决策过程，其部件包含了数据源、决策工具与方法和系统结构的很多方面。

由于各数据源数据类型不同，很多应用中的数据源还处在不同的抽象层次，不能直接合成到数据仓库中，因此需要用到各种数据处理方法。数据仓库技术 (DW)、联机分析技术(OLAP) 和数据挖掘 (DM) 是作为三种独立的信息处理技术出现的。

1. 数据仓库技术 (DW)

数据仓库作为一种新技术，主要是为决策支持系统和OLAP应用提供软件架构。它从异构和分布式数据源中收集数据，这些数据首先被聚合，然后按照OLAP所定义的组织标准进行定制。数据仓库的结构能够通过一种分层存储的方式加以定义，这种方式涉及的存储形式包括从底层的数据源到高度的聚合数据。在这两种存储形式之间，按照OLAP程序的要求，还存在一些其他不同的存储形式。其中之一就是对操作型数据的存储，操作型数据是以单一和干净的方式来表示数据源中的数据。企业级数据仓库则包含高度聚合的数据，并且被组织成多维表的形式。从每个数据源中抽取的数据可以存储在中间数据容器中。显然，这种分层存储方式只是一种逻辑上的表示方式，它体现了从数据源到数据集市的数据流动过程。所有这些存储形式都不一定要具体实现，如果确实需要的话，它们也只能形成同一数据库的不同层面而已。企业数据仓库的建设，是以现有企业业务系统和大量业务数据的积累为基础。数据仓库不是静态的概念，只有把信息及时交给需要这些信息的使用者，供他们做出改善其业务经营的决策，信息才能发挥作用，信息才有意义。而把信息加以整理归纳和重组，并及时提供给相应的管理决策人员，是数据仓库的根本任务。因此，从产业界的角度看，数据仓库建设是一个工程，是一个过程。

2. 联机分析处理

联机分析处理 (On-Line Analytical Processing，OLAP) 是使分析人员、管理人员或执行人员能够从多种角度对从原始数据中转化出来的、能够真正为用户所理解的、并真实反映企业的信息进行快速、一致、交互地存取，从而获得对数据的更深入了解的一类软件技术。OLAP的目标是满足决策支持或者满足在多维环境下特定的查询和报表要求。自从20世纪60年代关系数据库之父E.F.Codd提出了关系模型以来，数据库技术特别是联机事务处理OLTP (On-Line Transaction Processing) 发展得比较成熟，它的根本任务就是及时地、安全地将当前事务所产生的记录保存下来。随着时间的推移，历史数据不断堆积，总量不断变大，人们已经不满足于仅仅处理当前数据，怎样将日益堆积的数据进行有效的管理，挖掘其中埋藏的信息宝库成了新的问题。同时在激烈的市场竞争中，商业企业需要迅速地获取重要的业务指标、销售和利润趋势、市场和产品的获利率、财务状况、客户分布以及外部竞争数据等诸多关键信息。OLTP已不能满足终端用户对数据库查询分析的需要，SQL对大型数据库进行的简单查询也不能满足终端用户分析的要求，用户的决策分析需要对关系数据库进行大量计算才能得到结果，而查询的结果并不能满足决策者提出的需求。因此，Codd提出了多维数据库和多维分析的概念，即联机分析处理——OLAP。

OLAP是以数据库或数据仓库为基础的，其最终数据来源与OLTP一样均来自底层数据库系统，但由于二者面向的用户不同，OLTP面对的是操作人员和低层管理人员，OLAP面对的是决策人员和高层管理人员，因而数据的特点与处理于数据仓库的决策支持系统的设计及实现也明显不同。关系数据库擅长迅速地检索少量记录，应用于决策支持系统时，反应速度较慢且浪费系统资源。许多人想用关系数据库解决的问题本质上是多维数据问题。例如，如果要利用SQL查询来按地区求出产品的总销量，或按品名求出产品在各地区的销量总和，这就需要涉及对销量数据库中大部分数据记录的检索和处理，需要花数小时才能完成，而一个OLAP数据库服务器能够在几秒钟内完成这种查询。OLAP数据库与数据仓库之间的关系是互补的。一般情况下，数据仓库作为OLAP的基础，从中选出细节数据的一个子集传到OLAP数据库中，进行数据的汇总或聚集。数据仓库能容纳细节数据，OLAP数据库保存的是各种轻度综合的数据，分析员还可向下钻取到数据仓库的细节级，而OLAP数据库中的汇总数据也被存储在数据仓库中。数据定期从数据仓库中导入到OLAP数据库中，由于操作型环境的数据进入到数据仓库时已被集成，因此OLAP数据库就不用从操作型环境中抽取与集成数据。

3. 数据挖掘

数据挖掘 (DM) 又被称为数据开采，是应用特定的发现算法，从大量数据中搜索或产生一个感兴趣的模式或数据集。简单地说，数据挖掘就是从大量数据中提取或“挖掘”知识。数据挖掘过程分为三个步骤: 数据准备、开采和表述。在解决实际问题时，经常要同时使用多种模式。一个数据挖掘系统或仅仅一个数据挖掘查询就可能生成成千上万的模式，但是并非所有的模式都令人感兴趣。一个重要的概念，兴趣度，通常被用来衡量模式的总体价值，它包括正确性、新奇性、可用性和简洁性。数据仓库和数据挖掘是作为两种独立的信息技术出现的。数据仓库是不同于数据库的数据组织和存储技术，它从数据库技术发展而来并为决策服务，通过OLAP工具验证用户的假设; 数据挖掘是通过对文件系统和数据库中的数据进行分析，获得具有一定可信度知识的算法和技术。它们从不同侧面完成对决策过程的支持，相互间有一定的内在联系。因此，将它们集成到一个系统中，形成基于数据挖掘的OLAP工具，可以更加有效地提高决策支持能力。数据挖掘和数据仓库的协同工作，一方面，可以迎合和简化数据挖掘过程中的重要步骤，提高数据挖掘的效率和能力，确保数据挖掘中数据来源的广泛性和完整性; 另一方面，数据挖掘技术已经成为数据仓库应用中极为重要和相对独立的方面和工具。数据仓库技术用于数据的存储和组织; 联机分析技术用于数据的分析; 数据挖掘则致力于知识的自动发现。由于这三种技术内在的联系性和互补性，数据驱动的决策支持系统以数据仓库为基础、以OLAP和DM工具为手段 (DW+OLAP+DM=IDSS)，结合了传统的决策支持系统在知识管理和推理方面的优势和数据仓库系统中决策信息源的广泛性，能够支持企业级的管理决策任务。

本章习题

1. 简述决策的原则和步骤。

2. 简述决策支持系统的基本功能和系统结构。

3. 分析决策支持系统的关键作用及其在决策支持系统中作用的体现方式。

4. 简述群体决策支持系统的优点。

5. 简述群体决策支持系统的构成和结构。

6. 简述职能决策支持系统的结构和关键技术。